視網膜AI的價值,被我們低估了 | 人人都是產品經理

編輯導語:通過一張視網膜照片,理論上能夠發現200餘種常見疾病和病變,然而眼底檢測需要較高的閱片技術門檻,所以視網膜影像AI的出現便解決了醫生的許多問題。在醫療AI這一領域中,視網膜影像AI的價值成色幾何?又能否站穩鰲頭?

2015年,《財富》雜誌報道了一組數據,在一場肺癌診斷競賽中,IBM開發的人工智慧程序「沃森」,以90%對50%的準確率大勝人類。

在世界各地,醫療專家普遍是受人尊重的職業,並享有優厚待遇。醫生的學習年限往往較其它專業更長,要隨時學習最新的行業知識。正因如此,我國醫療市場長期處於供不應求的狀態,對於擁有豐富經驗的專科醫生,患者往往一「號」難求。

而人工智慧之所以能在醫學影像領域「媲美」專家,正是依賴「經驗」。

作為AI程序,「沃森」擁有不眠不休的學習能力,相比人類,「沃森」跟進最新病例數據的能力遠遠勝出。在輔助診斷時,「沃森」可以在幾秒鐘之內提煉全球醫學雜誌的關鍵信息,並梳理成診療方案。

而肺癌診斷只是醫療AI大顯身手的冰山一角。以醫學影像AI為代表,隨著相關產品陸續獲批上市,醫療AI商業化的大潮正在興起,其中視網膜影像AI尤為引人注目,已廣泛應用於疾病的輔助診斷及健康管理。

從Google、IBM、百度、騰訊等國內外互聯網巨頭先後入局,到國內初創企業競相賽跑跑出醫療AI第一股,視網膜影像AI這一細分領域的價值成色幾何?在這場國際科技競賽中,誰又將站穩鰲頭?

01 影像AI熱

2016年,AlphaGo在圍棋比賽中擊敗李世石,人工智慧成功出圈,震驚了世界。基於深度學習技術,人工智慧如今已從一個概念,走向了應用爆發,許多服務行業和其相關職業也隨之發生轉變。

醫療被認為是人工智慧最有應用前景的行業之一。醫學中的診斷、治療都高度依賴醫生的經驗,但同時,醫療過程本身產生了大量可標準化的數據,包括門診、住院、影像、手術、臨床癥狀、患者特徵等等。這意味著,相關數據一旦由AI整合,就有加快服務效率的空間。

在醫療AI行業中,醫學影像AI發展速度最快,目前已進入了加速商業化的階段。

在我國,醫學影像醫生面臨較大供應缺口,《智能化醫療健康的應用與未來》一書提供的數據顯示,我國醫學影像數據量每年增長約30%,而放射科醫師年增長率僅為4%,市場需求的擴大與供給不足背景下,醫學影像AI識別的重要性愈發凸顯。

當前,醫學影像AI主要應用於肺部、心血管、眼底、骨骼、頭頸等相關病種的診斷和檢測,2020年以來,國內各個細分賽道下均有2-3款產品陸續獲得國家葯監局批准上市,部分企業在海外也已經形成規模收入。2021年,科亞醫療、鷹瞳科技、數坤科技、推想科技等頭部企業相繼向港交所遞交招股書沖關IPO。最終,專註視網膜影像人工智慧的鷹瞳科技拔得頭籌,成功上市。

視網膜影像AI確實是醫學影像AI中發展最為迅速的細分賽道之一。瞄準這一賽道的,不僅僅有國內初創企業,谷歌、IBM等國際互聯網巨頭早早便已搶灘布局。

2015年,搜索巨頭谷歌通過改組整合了一批非互聯網項目,在新上市公司的架構中,包括醫療子公司Verily和AI子公司DeepMind、Calico,三家公司共同構成了谷歌的AI醫療戰略。谷歌嘗試用AI追蹤、檢測疾病,並全面管理患者的生活方式,其中,用視網膜影像AI檢測眼病和心血管疾病,是谷歌的主攻方向。

信息技術巨頭IBM從2013年開始,就將醫療AI列為人工智慧業務的主攻方向,並為此進行了耗資巨大的收購。從2015年開始,IBM選擇發力用AI技術分析視網膜影像。在IBM的規劃中,AI醫生、癌症篩查等主力項目將極大擴展公司的發展前景。

小小的視網膜,為何能有如此之大的吸引力?國內外巨頭和初創企業爭相入局,視網膜影像AI這塊蛋糕夠分嗎?答案或許還要從它的技術和醫學原理說起。

02 被低估的價值

視網膜,人體眼球後壁部的感光層,也是人體中唯一一個能以非侵入方式觀測血管和神經的部位。血管和神經的性狀變化可以用於多種慢性病的檢測,包括高血壓、糖尿病、ICVD、帕金森氏病及貧血症等等。通過一張視網膜照片,理論上能夠發現的常見疾病和病變就多達200餘種。

但是,眼底檢測需要較高的閱片技術門檻,在我國,能看眼底病的專業眼科醫生有限,僅1000餘名,使得眼底拍照+人工閱片識別疾病的模式難以普及。

對於擁有眼科專家的大三甲醫院來說,視網膜影像AI有效解決了全流程無需專業醫生值守、處理自動化等臨床痛點,減少了醫生的重複性操作;而對於絕大多數缺少眼科專家的醫療機構來說,視網膜影像AI更是能賦予其眼底病及慢性病檢測從無到有的能力。

除了在院內場景的應用,視網膜影像AI在民營體檢、視光中心、保險公司、藥店等院外大健康場景也展現了極大的應用價值,國內頭部企業已有規模布局,在一些場景下開展應用的速度甚至超過了在醫療場景下的應用。

在院外場景下,AI應用扮演了更為重要的角色。首先,視網膜影像AI的應用可以提高B端的綜合服務能力和水平,實現產品升級和服務轉型。例如過去僅從事眼鏡銷售的眼鏡店,可以實現向專業檢查、視光服務場所的轉型。

其次,視網膜影像AI在院外場景的應用,也為傳統診斷在2C場景的應用帶來了嶄新方向。過去需要在大醫院才能做的眼底檢查,如今在家門口的體檢中心、眼鏡店,甚至未來居家也能夠完成,在手機上就能看到AI對自身健康狀況作出的評估。產品的可及和流程的簡便,能有效提高患者的早篩意願,無疑將進一步釋放眼健康管理、慢病防控的壓力。

與此同時,不少地方政府也發現並認可了視網膜影像AI的應用價值。在廈門翔安區,當地衛健局推出了一項「60歲以上老人接種新冠疫苗送體檢篩查」的服務,居民在疫苗接種的觀察間隙接受視網膜影像AI的檢測,前後不到2分鐘,便能拿到篩查結果。此舉不僅提高了老年人疫苗接種率,對於疾病早診早治,降低整體衛生支出也有重要意義。

在我國專業醫師供給數量不足,醫療資源分配不均的基礎國情背景下,視網膜影像AI可以通過無創、高效的方式檢測並持續管理常見慢性病。如若能在疾病早期篩查風險,必將有更多的人從這場技術變革中獲益。

03 誰將站穩新藍海?

國家糖尿病聯盟(IDF)數據顯示,目前我國糖尿病患者人數超1.4億,且這一數據仍在快速增長。檢測需求端正在高速增長,而專業醫師供應不足,這就亟需視網膜影像AI的介入來解決供需矛盾。

基於較大的應用價值和臨床需求,視網膜影像AI的市場前景被不少諮詢機構和投行看好。弗若斯特沙利文數據顯示,中國人工智慧視網膜醫學影像市場預計將自2020年的人民幣0.45億元增至2030年的人民幣340.10億元,年複合增長率高達81.55%。而在大健康場景下,由於市場仍有大量需求未被滿足,預計從2020年到2030年,視網膜AI大健康市場的年度複合增長率將達到90.7%,增速超過醫學影像市場。

這塊數百億的大蛋糕怎麼分?我們來看看目前的競爭格局。

截至目前,美國有Digital Diagnostics和Eyenuk兩家企業的視網膜影像AI產品獲得美國食葯監管局FDA認證;國內自2020年8月鷹瞳科技獲批國家葯監局醫療器械三類證以來,已累計有4家企業拿證。通過公開數據對比,國內企業在產品性能、產品適配性,以及開發演算法的種類等方面已處於領先。

而值得注意的是,早早便入局,且財力與技術儲備均雄厚的國內外互聯網巨頭,至今仍未開發出通過註冊的相關產品。

2021年,谷歌以醫療和谷歌云為主的其它業務虧損額高達53億美元,視網膜AI則仍處於理論狀態,無任何實際產品落地;IBM則於今年1月宣布出售AI醫療業務Watson Health,宣告了醫療布局的徹底失敗。

在整個AI醫療賽道,美國互聯網巨頭無疑擁有先發優勢,和更強的硬體算力,但他們似乎都缺少一點商業化應用的突破能力,不得不「起了個大早,卻趕了個晚集」。

前任IBM研究院首席醫學科學家Martin Kohn曾對外界大倒苦水——高管熱衷於開發「華而不實的東西」,以拉升公司的想象空間,但做出來的東西不符合市場的真實需求。

谷歌的困境與此類似,谷歌視網膜AI系統在泰國的實驗表明,產品的臨床效果與實驗室效果大相徑庭,AI需要高質量的眼底相片,而診所採集的圖像模糊,這使系統拒絕了相關圖像的診斷。

深究起來,醫療AI需要人工智慧的算力,但其本質終究是醫療產品,需要為場景尋找合適的技術,而谷歌和IBM受限於互聯網科技基因,切入醫療AI的始發點,是為技術尋找合適的場景,這是供需雙方匹配矛盾的根本原因。

如果從醫學影像的發展歷程看,臨床痛點始終是技術發展的源動力。從1972年,CT應用於臨床檢測領域開始,利用機器取代人的經驗,安全、無創地判斷患者的健康狀態,就成為醫學領域的集體追求。

美國互聯網巨頭的經驗證明,技術難以跨越醫療需求先行發展,在實驗室中反覆驗證的精確理論,總會在臨床應用中遇到棘手的現實問題。無論谷歌還是IBM,都更傾向於解決醫療AI的「高精尖」問題,寄希望於讓AI深入醫療產業鏈的全流程,畢其功於一役。結果是,IBM的AI醫療助手被醫生吐槽「沒有實用價值」,谷歌的視網膜AI產品只能面向標準的精確樣本,對複雜樣本沒有檢測能力。

反觀國內,幾家初創企業已率先進入商業化階段,並在醫療和大健康場景中積累數據、優化演算法,實現了「彎道超車」。

究其原因,或許是國內初創企業的醫療基因為其彌補了這一缺陷,使得產品在保持技術先進性的同時,能夠最大程度滿足臨床的真實需求。而由於我國的病例基數大,覆蓋範圍廣,產品歷經不同地區、不同民族、不同硬體機型、不同檢測環境等維度的錘鍊,因此也更具臨床應用的優勢,能夠適用於多種應用場景。

隨著國內視網膜影像AI產品進入商業化初期,行業格局將向率先拿證、率先商業化的先發企業傾斜,直至形成規模效應。

一款成功的醫療AI產品,必然經歷產品研發、臨床試驗、註冊審批、商業應用、數據積累、演算法優化等流程,其周期至少長達兩年。這意味著,越是先啟動的玩家,就越是有利於卡位行業生態,對追趕者形成適配性、精確度都更優的產品優勢,及市場規模優勢。

未來,機會必將會優先垂青行業的先行者,但究其根本,誰能比競爭對手更加洞悉市場需求,誰更能解決終端場景的真實問題,誰就能掌握市場的主要份額,佔領這片新藍海。

參考文獻:

[1]王笛,趙靖,金明超,劉婧,熊偉. 人工智慧在醫療領域的應用與思考[J]. 中國醫院管理,2021(6).

[2]閔棟,王豫,徐岩,方林.AI+醫療健康:智能化醫療健康的應用與未來[M].機械工業出版社,2018(10).

 

作者:白芨;編輯:月見